【技術實現步驟摘要】
本專利技術涉及圖像處理，具體涉及基于改進yolov8s的輸電線路多缺陷檢測方法和系統。
技術介紹
1、近年來，隨著電力工業的不斷發展，建設在復雜環境下的電網設備數量也與日俱增，這對電力系統設備的安全維護也提出了更高的要求。
2、然而，隨著電網規模的不斷擴大，輸電線路在外部環境因素的影響下，容易發生故障。傳統的輸電線路運行故障包括絕緣子斷開、電力塔頂鳥巢、污染閃絡故障等。絕緣子作為保證輸電線路正常運行的重要部件，在輸電線路中發生故障的可能性也最高。絕緣子長期暴露在復雜環境中，會受到冰損傷、風損傷、閃電等不利因素的影響，導致不同程度的失效。嚴重的故障可能會影響整個電力系統的運行，導致大規模停電，造成巨大的經濟損失。傳統的基于數學建模和信號處理的故障分類方法通常需要人工或機器人檢測，這不僅消耗了大量的人力資源，而且很容易導致檢測失誤。
3、因此，有必要提供新的基于改進yolov8s的輸電線路多缺陷檢測方法和系統。
技術實現思路
1、基于現有技術中存在的上述問題，本專利技術實施例的目的在于提供基于改進yolov8s的輸電線路多缺陷檢測方法和系統，能夠在輸電線路這種目標密集背景下對輸電線路缺陷進行高效準確的檢測和提取，避免出現缺陷漏檢和誤檢的問題，提高了模型的檢測精度同時兼顧了模型輕量化。
2、為實現上述目的，本專利技術采用的技術方案是：基于改進yolov8s的輸電線路多缺陷檢測方法，包括：
3、s1，采集輸電線路上的絕緣子缺陷和鳥巢圖像，得到
4、s2，采用sam大模型對所述初始數據集進行預處理，得到目標數據集；
5、s3，將所述目標數據集進行劃分為訓練集、驗證集和測試集；
6、s4，以yolov8s網絡模型為基準模型構建改進的yolov8s網絡模型作為輸電線路多缺陷檢測網絡模型；
7、s5，將訓練集輸入到輸電線路多缺陷檢測網絡模型中進行模型訓練，并基于訓練結果改進輸電線路多缺陷檢測網絡模型參數得到訓練后的輸電線路多缺陷檢測網絡模型；
8、s6，將驗證集輸入至所述訓練后的輸電線路多缺陷檢測網絡模型中進行模型評估；
9、s7，將測試集輸入至所述訓練后的輸電線路多缺陷檢測網絡模型中得到輸電線路缺陷檢測結果。
10、進一步的，s1中，所述采集輸電線路上的絕緣子缺陷和鳥巢圖像，得到初始數據集，包括：
11、將無人機配備高分辨率的攝像頭，以便能清晰拍攝到輸電線路上的細節；隨后將采集到的所有圖像傳輸到本地存儲設備或服務器上；對圖像進行初步篩選，去除因拍攝失誤如模糊、曝光過度或不足、拍攝角度不佳等導致質量太差無法使用的圖像；最后根據記錄的元數據信息，對剩余圖像進行分類整理，將絕緣子缺陷圖像和鳥巢圖像存放在文件夾或數據庫表中，初步形成采集到的初始數據集。
12、進一步的，s2中，采用sam大模型對所述初始數據集進行預處理，得到目標數據集，包括：采用sam大模型對所述初始數據集中的圖像進行圖像分割，提取出原始圖像缺陷的mask掩模，然后通過copy-paste隨機將分割對象粘貼到另一張圖像上；
13、隨機將分割對象粘貼到另一張圖像上，混合粘貼的具體公式為：
14、y＝i1*α+i2*(1-α)
15、其中，y為輸出圖像，i1為粘貼對象所在的圖像，i2為主圖像，α為mask掩模。
16、進一步的，s4中，所述以yolov8s網絡模型為基準模型構建改進的yolov8s網絡模型作為輸電線路多缺陷檢測網絡模型，包括：
17、步驟s41，將骨干網絡中的第7層和第九層的c2f模塊替換為c2f-m2sa-cglu模塊；
18、步驟s42，在骨干網絡中加入第11層cafm模塊；
19、步驟s43，將頸部網絡中的第18層和第21層的conv模塊替換為ldconv模塊。
20、進一步的，所述ldconv模塊特征提取的過程包括：
21、步驟s431，根據n的大小，由任意大小卷積算法生成卷積核的初始采樣坐標pn，得到原始坐標(po+pn)；
22、步驟s432，通過卷積運算得到相應核的偏移量，其維數為(b,2n,h,w)，將偏移量加到原始坐標上，生成與卷積對應的新采樣坐標；
23、步驟s433，通過插值和重采樣得到相應位置的特征。
24、進一步的，所述cafm模塊分為全局分支和本地分支，全局分支中采用自關注機制來捕獲更廣泛的高光譜數據信息，局部分支則專注于提取局部特征以進行綜合去噪，卷積和注意力是相輔相成的。
25、進一步的，s6中，所述將驗證集輸入至所述訓練后的輸電線路多缺陷檢測網絡模型中進行模型評估，包括：將測試集輸入至訓練后的輸電線路多缺陷檢測網絡模型中，基于所述輸電線路多缺陷檢測網絡模型的精確率p、召回率r、誤檢率f、平均精度ap和平均精度均值map對其進行評估，評價模型性能的指標公式如下：
26、
27、
28、
29、
30、其中，tp為正樣本被正確識別為正樣本的數量，fp為負樣本被錯誤識別為正樣本的數量，fn為正樣本被錯誤識別為負樣本的數量，n為檢測目標的總類別數，ap為p-r曲線下面的面積，map為檢測的各類故障總的ap的平均值。
31、基于改進yolov8s的輸電線路多缺陷檢測系統，應用于上述基于改進yolov8s的輸電線路多缺陷檢測方法，所述系統包括：
32、數據集采集模塊，用于采集輸電線路上的絕緣子缺陷和鳥巢圖像，得到初始數據集；
33、數據集預處理模塊，用于采用sam大模型對所述初始數據集進行預處理，得到目標數據集；
34、數據集劃分模塊，用于將所述目標數據集進行劃分為訓練集、驗證集和測試集；
35、改進建模模塊，用于以yolov8s網絡模型為基準模型構建改進的yolov8s網絡模型作為輸電線路多缺陷檢測網絡模型；
36、模型訓練模塊，用于將訓練集輸入到輸電線路多缺陷檢測網絡模型中進行模型訓練，并基于訓練結果改進輸電線路多缺陷檢測網絡模型參數得到訓練后的輸電線路多缺陷檢測網絡模型；
37、模型驗證評估模塊，用于將驗證集輸入至所述訓練后的輸電線路多缺陷檢測網絡模型中進行模型評估；
38、檢測結果生成模塊，用于將測試集輸入至所述訓練后的輸電線路多缺陷檢測網絡模型中得到輸電線路缺陷檢測結果。
39、本專利技術的實施方式還提供了一種網絡側服務端，包括：
40、至少一個處理器；以及，與至少一個處理器通信連接的存儲器；其中，存儲器存儲有可被至少一個處理器執行的指令，指令被至少一個處理器執行，以使至少一個處理器能夠執行上述的基于改進yolov8s的輸電線路多缺陷檢測方法。
41、本專利技術的實施方式還提供了一種計算機可讀存儲介質，存儲有計算機程序，計算機程序被處本文檔來自技高網...
【技術保護點】
1.一種基于改進YOLOv8s的輸電線路多缺陷檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于改進YOLOv8s的輸電線路多缺陷檢測方法，其特征在于，S1中，所述采集輸電線路上的絕緣子缺陷和鳥巢圖像，得到初始數據集，包括：
3.根據權利要求1所述的基于改進YOLOv8s的輸電線路多缺陷檢測方法，其特征在于，S2中，采用SAM大模型對所述初始數據集進行預處理，得到目標數據集，包括：采用SAM大模型對所述初始數據集中的圖像進行圖像分割，提取出原始圖像缺陷的mask掩模，然后通過copy-paste隨機將分割對象粘貼到另一張圖像上；
4.根據權利要求1所述的基于改進YOLOv8s的輸電線路多缺陷檢測方法，其特征在于，S4中，所述以YOLOv8s網絡模型為基準模型構建改進的YOLOv8s網絡模型作為輸電線路多缺陷檢測網絡模型，包括：
5.根據權利要求4所述的基于改進YOLOv8s的輸電線路多缺陷檢測方法，其特征在于，所述LDConv模塊特征提取的過程包括：
6.根據權利要求4所述的基于改進YOLOv8s的輸電線路多缺陷
7.根據權利要求6所述的基于改進YOLOv8s的輸電線路多缺陷檢測方法，其特征在于，S6中，所述將驗證集輸入至所述訓練后的輸電線路多缺陷檢測網絡模型中進行模型評估，包括：將測試集輸入至訓練后的輸電線路多缺陷檢測網絡模型中，基于所述輸電線路多缺陷檢測網絡模型的精確率P、召回率R、誤檢率F、平均精度AP和平均精度均值mAP對其進行評估，評價模型性能的指標公式如下：
8.基于改進YOLOv8s的輸電線路多缺陷檢測系統，其特征在于，應用于權利要求1中所述基于改進YOLOv8s的輸電線路多缺陷檢測方法，所述系統包括：
9.一種網絡側服務端，其特征在于，包括：
10.一種計算機可讀存儲介質，存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的基于改進YOLOv8s的輸電線路多缺陷檢測方法。
...【技術特征摘要】
1.一種基于改進yolov8s的輸電線路多缺陷檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于改進yolov8s的輸電線路多缺陷檢測方法，其特征在于，s1中，所述采集輸電線路上的絕緣子缺陷和鳥巢圖像，得到初始數據集，包括：
3.根據權利要求1所述的基于改進yolov8s的輸電線路多缺陷檢測方法，其特征在于，s2中，采用sam大模型對所述初始數據集進行預處理，得到目標數據集，包括：采用sam大模型對所述初始數據集中的圖像進行圖像分割，提取出原始圖像缺陷的mask掩模，然后通過copy-paste隨機將分割對象粘貼到另一張圖像上；
4.根據權利要求1所述的基于改進yolov8s的輸電線路多缺陷檢測方法，其特征在于，s4中，所述以yolov8s網絡模型為基準模型構建改進的yolov8s網絡模型作為輸電線路多缺陷檢測網絡模型，包括：
5.根據權利要求4所述的基于改進yolov8s的輸電線路多缺陷檢測方法，其特征在于，所述ldconv模塊特征提取的過程包括：
6.根據權利要求4所述的基于改進yolov8s...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。